欢迎大家来到IT世界,在知识的湖畔探索吧!
前言
在机器学习的世界里，我们总是希望模型预测得又准又稳，但现实却总爱“整点幺蛾子”。预测房价、天气、股票，甚至是你明天的体重，总会有点误差。那么问题来了，这个误差要怎么衡量呢？今天我们聊聊 绝对误差损失（Mean Absolute Error, MAE），一个简单直接的“裁判”——它不讲道理，谁偏离真值多少，就直接扣多少分！
简介
欢迎大家来到IT世界,在知识的湖畔探索吧!
专业名词
- 损失函数（Loss Function）：衡量模型预测误差的数学公式，误差越小，模型越优秀。
- 回归任务（Regression Task）：预测一个连续数值（比如房价、气温）而非分类问题（比如猫狗识别）。
- 均方误差（Mean Squared Error, MSE）：另一种常见的损失函数，它计算的是误差的平方再取平均。
计算步骤
示例代码
运行结果
运行后，你会得到 绝对误差损失（MAE）: 2.4，和手算结果一致。
搞笑故事
一天，小明参加了一场年度“大胃王”比赛，大家都预测他能吃下10碗拉面。作为一名有着“吃遍全城”美誉的吃货，小明信心满满，他心里想着：“10碗，不成问题！”比赛开始后，小明迅速进入状态，毫不拖泥带水地开始大快朵颐。然而，经过一番奋战后，他终于停了下来，摸着肚子深呼吸了一口气，眼神里透露着一丝惭愧。
“七碗……”小明看着面前的空碗，无奈地说道。他的目标是10碗，但现实只完成了7碗，差得有点远。此时，旁边的裁判微笑着问：“小明，你的成绩是7碗，算下来误差是多少？”
这时，小明犹如瞬间转型的学霸，嘴角露出一丝得意的笑容：“别急，我用两种方式来告诉你我的成绩。”
他从口袋里掏出一本精美的统计学教材，开始给裁判讲解“误差”的计算方法：“首先，咱们用MAE（平均绝对误差）来算。MAE就是把预测值和实际值的差距取绝对值，然后求平均。”
“那么，我们的目标是10碗，实际吃了7碗，计算MAE就应该是：|10 – 7| = 3。”
“看，误差才3碗，不算大吧？算是个稳健型的结果。”小明得意洋洋地说。
裁判点了点头，表示理解：“那很不错呀，挺合理的。”
“可是，”小明神秘地笑了笑，“如果我用MSE（均方误差）来算，结果会更夸张哦！”
裁判一愣：“MSE？那是什么？”
小明立刻开启了“吃货+学霸”模式：“MSE就是把误差的平方给算出来。也就是说，我们要用(10 – 7)² = 9。看，这个9，就是我的MSE！是不是比MAE的3大得多呀？”
裁判瞪大了眼睛：“哇，这么一算，差距明显变大了！”
“是的，”小明点了点头，“因为MSE放大了大误差的影响，特别适合用在强调大误差的情况，比如金融风险预测、信用评估等领域。在这些场合，个别大的误差可能带来巨大的后果，所以要特别注意。”
裁判无奈一笑：“看来，MAE和MSE都能帮你评估成绩，但在不同的场合有不同的侧重点啊！”
“对呀！MAE适合稳健型评估，适合那些我们希望平稳过渡的场合，比如吃拉面这样的比赛；而MSE则偏向于那些容忍不了大误差的场合，比如金融投资，或者……吃货失控的情况。”小明狡黠地眨了眨眼睛。
最后，裁判轻轻拍了拍小明的肩膀：“好吧，虽然你的胃没有吃满10碗拉面，但你倒是给我们上了一堂统计学的课。下次再挑战大胃王时，记得多带几碗水，控制误差啊！”
小明笑着答道：“下次，我要用L1范数来算！”
常见问题
1.MAE 与 MSE 哪个更好？
- MAE（平均绝对误差）更稳健，适用于大部分回归任务。它能较好地应对异常值，不会被单个大误差所主导。
- MSE（均方误差）更敏感，适用于强调大误差的情况。例如，当大误差会对结果造成较大影响时，MSE能够放大这些误差。
2.MAE 有方向性吗？
没有！ MAE 只关注误差的大小，不会考虑误差是正偏差还是负偏差。它关注的是实际值与预测值之间的距离，而不在乎预测值高还是低。
适用场景
1.房地产价格预测
房价预测时，少偏和多偏的误差可能会相互抵消，但我们希望尽量减少所有的误差。此时，使用 MAE 更合适，因为它能直接告诉我们预测值与实际值之间的绝对差距。
2.天气预报
在天气预报中，准确预测气温是关键，MAE 能够告诉我们在多次预测中，误差的平均水平有多少，帮助我们更好地评估模型性能。
3.金融分析
对于股票价格预测等金融分析任务，极端的误差会严重影响结果。MAE 可以帮助避免异常值对预测结果的拉偏，确保预测结果的稳健性。
注意事项
1.不适合对大误差特别敏感的任务
如果你从事医疗诊断或类似的任务，误差可能涉及生死或重大安全问题，此时 MSE 更合适，因为它对大误差非常敏感，能够确保大错误不被忽视。
2.不利于梯度优化
MAE 的导数在 0 处不可导，这意味着它在进行梯度优化时（如使用梯度下降算法时）可能会遇到困难。因此，如果你的优化方法依赖于平滑的梯度，MAE 可能不太适用。
最佳实践
1.回归任务中的选择
在大部分回归任务中，建议首先使用 MAE，如果发现它对大误差不够敏感，再考虑使用 MSE。
2.优化难题的解决方案
如果你发现 MAE 在梯度优化过程中表现不佳，可以尝试 平滑 MAE（如 Huber 损失），它在 0 处平滑过渡，有利于梯度优化。
3.结合其他指标
不要仅依赖 MAE，结合 R²（决定系数）和 MSE 等其他指标可以更全面地评估模型性能，帮助你做出更明智的决策。
总结
MAE 是一种简单、直接的误差度量方法，适用于大多数回归任务，尤其是当数据中存在异常值时，它能提供更稳健的评估。它计算简便，容易理解，但在某些优化过程中可能遇到困难。选择 MAE 还是 MSE，关键在于任务的特点和目标。对于任务需求不同的场合，选对误差度量方法，能让你在建模时更得心应手！
免责声明：本站所有文章内容,图片，视频等均是来源于用户投稿和互联网及文摘转载整编而成，不代表本站观点，不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益，请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权，请联系删除，如若转载，请注明出处：https://itzsg.com/108603.html
